面向增量流式推荐的轻量组合嵌入
机器学习
2022-02-08 v1
摘要
大多数基于图的推荐系统工作考虑的是一种{\em 静态}设定，即关于测试节点（即用户和物品）的所有信息在训练时预先可用。然而，这种静态设定对许多真实应用意义不大，因为数据作为新边和节点的流持续到来，必须增量更新模型预测以反映最新状态。为充分利用流中 newly available（新可用）数据，近期的基于图的推荐模型需要反复重训练，这在实际中不可行。本文研究基于图的流式推荐设定，并提出一种组合推荐模型——Lightweight Compositional Embedding（LCE，轻量组合嵌入）——它以低计算成本支持增量更新。LCE 不为全部节点学习显式嵌入，而仅为节点子集学习显式嵌入，并通过基于图中交互的组合函数{\em 隐式}表示其他节点。当某一节点类型（如物品）更适于静态表示时，这提供了一种有效且高效的方法来利用流式图数据。我们开展了广泛的实证研究，在三个大规模用户-物品推荐数据集的流式交互设定下将 LCE 与一组有竞争力的基线比较。结果展示了 LCE 的优越性能，表明其以显著少于其他图模型的参数量达到了近乎 skyline（最优）的性能。
引用
@article{arxiv.2202.02427,
title = {Lightweight Compositional Embeddings for Incremental Streaming Recommendation},
author = {Mengyue Hang and Tobias Schnabel and Longqi Yang and Jennifer Neville},
journal= {arXiv preprint arXiv:2202.02427},
year = {2022}
}